Firebase Admin Node 中并发请求的令牌优化策略
在 Firebase Admin Node 项目中,开发者发现了一个关于消息发送接口的性能优化点。当使用 Messaging#sendEach 方法批量发送消息时,系统会为每条消息单独获取访问令牌,这在并发场景下会导致不必要的令牌获取请求。
问题背景
Firebase Admin SDK 中的消息发送功能需要有效的访问令牌来授权 API 调用。在批量发送场景下,每条消息都会触发一个独立的 HTTP 请求。虽然 SDK 内部实现了令牌缓存机制,但由于这些请求是并发执行的,缓存机制无法有效发挥作用。
具体表现为:当多个请求几乎同时到达时,每个请求都会检查缓存并发现令牌需要刷新,于是各自发起独立的令牌获取请求。这不仅增加了网络开销,还可能导致短时间内产生大量冗余请求。
解决方案分析
针对这个问题,项目维护者提出了两种可能的解决方案:
-
预获取令牌方案:在发送批量请求前预先获取令牌,然后将该令牌注入到每个发送请求中。这种方法直接避免了并发获取令牌的问题,但需要对现有请求处理流程进行一定改造。
-
令牌请求合并方案:改进
getToken()方法的实现,使其能够识别并合并并发的令牌刷新请求。当多个调用同时请求令牌时,系统只执行一次实际的刷新操作,并将同一个 Promise 返回给所有调用者。
经过讨论,第二种方案被认为更具通用性,因为它不仅解决了消息发送场景的问题,还能惠及所有需要授权访问的并发请求场景。
技术实现细节
令牌请求合并的核心实现思路是:
public getToken(forceRefresh = false): Promise<FirebaseAccessToken> {
if (forceRefresh || this.shouldRefresh()) {
if (!this.isRefreshing) {
this.promiseToCachedToken_ = this.refreshToken();
}
return this.promiseToCachedToken_
}
return Promise.resolve(this.cachedToken_);
}
这段代码引入了几个关键机制:
isRefreshing标志位:作为锁机制,防止重复刷新- 共享 Promise:所有并发请求共享同一个刷新操作的结果
- 缓存机制:在令牌有效期内直接返回缓存结果
方案优势
这种改进方案具有以下优点:
- 减少网络请求:有效避免了令牌刷新请求的"惊群效应"
- 保持API兼容性:不需要改变现有方法签名和使用方式
- 通用性强:适用于所有需要授权访问的场景
- 实现简洁:改动量小,风险可控
总结
在分布式系统和并发编程中,资源共享和请求合并是常见的优化手段。Firebase Admin Node 通过对令牌获取逻辑的改进,展示了如何优雅地处理并发场景下的资源竞争问题。这种模式也可以为其他需要处理类似问题的开发者提供参考。
对于使用 Firebase Admin SDK 的开发者来说,这一改进将带来更高效的批量消息发送体验,特别是在高并发场景下能够显著减少不必要的网络开销。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00